Autor: Dr. Adam Rosario

Psicólogo Industrial Organizacional / Profesor Universitario / Consultor

La Inteligencia Artificial y la Singularidad Tecnológica

En 1993, Vernor Vinge introdujo la «singularidad tecnológica», la posibilidad de que la inteligencia artificial supere a la humana, impulsando un cambio tan rápido que lo haría impredecible. Actualmente, con la IA ya presente en tareas cotidianas, se plantea la necesidad de entender sus implicaciones, regulaciones y riesgos antes de alcanzar este umbral transformador.

En 1993, Vernor Vinge propuso una idea inquietante: si llegáramos a crear inteligencias “mayores que la humana”, el ritmo del cambio podría volverse tan vertiginoso que nuestro futuro se tornaría difícil, o imposible, de anticipar con las herramientas conceptuales actuales (Vinge, 1993). A este concepto, Vinge lo llamó singularidad tecnológica.

Imagina una escena cotidiana. Una profesora universitaria en San Juan (llamémosla Laura) termina de revisar exámenes y abre un asistente de Inteligencia Artificial (IA) para preparar la clase del lunes. En segundos, la IA sugiere ejemplos, actividades, rúbricas y hasta una explicación alternativa para estudiantes con dificultades. Laura sonríe: “Esto me devolvió dos horas de vida”. La anécdota parece pequeña, pero contiene el núcleo del debate. Si la IA no solo ahorra tiempo, sino que mejora su propia capacidad para ahorrar tiempo, ¿en qué punto pasamos de una herramienta útil a un acelerador histórico? Y si el acelerador aprende a optimizarse a sí mismo, ¿qué ocurre cuando la mejora deja de ser lineal?

La singularidad es, en esencia, un nombre para esa frontera hipotética: el momento en que el progreso tecnológico, impulsado de manera decisiva por la IA, se vuelve tan rápido y auto-reforzado que las trayectorias sociales, económicas y científicas entran en un régimen cualitativamente distinto (Vinge, 1993; Kurzweil, 2005). Esta idea ha sido defendida y criticada por décadas. Sin embargo, la conversación ha cambiado: ya no es solo filosofía del futuro, porque hoy convivimos con sistemas capaces de desempeños sorprendentes en tareas cognitivas y profesionales (OpenAI et al., 2023; Bubeck et al., 2023). Ese contraste entre lo cotidiano y lo disruptivo es donde la singularidad se vuelve un problema académico y humano a la vez.

¿Qué entendemos por “singularidad” y por qué importa?

La palabra singularidad viene prestada del lenguaje matemático y físico: un punto en el que un modelo deja de ser útil porque sus variables se disparan o porque cambian las reglas del sistema. Vinge (1993) usó el término para describir un futuro donde la creación de inteligencia sobrehumana transformaría la historia humana de forma comparable, en magnitud, al origen de la vida o al surgimiento de la mente humana. Ray Kurzweil popularizó una variante más optimista: la singularidad como una convergencia de tendencias exponenciales (computación, biotecnología, interfaces cerebro-máquina) que culminaría en una integración humano-máquina (Kurzweil, 2005).

Más allá del calendario, la idea importa por una razón simple: cuando la inteligencia se convierte en el motor principal de la producción de conocimiento, la sociedad entra en un terreno nuevo. La inteligencia no es un recurso más; es el recurso que decide cómo se obtienen los demás recursos. Por eso, desde mucho antes de los modelos actuales, Good (1966) formuló la intuición del “ciclo de mejora”: Si una máquina puede diseñar máquinas mejores, podría iniciarse una “explosión de inteligencia”. Ese argumento no prueba que ocurrirá, pero sí explica por qué la posibilidad es filosófica y estratégicamente relevante.

De la IA útil a la IA que reconfigura el mundo

La transición crucial no es “IA vs. no IA”, sino la IA como instrumento vs. la IA como sistema general de optimización. Los modelos contemporáneos han mostrado capacidades amplias: redacción, programación, razonamiento en contextos estructurados, apoyo a decisiones, síntesis de información, e interacción multimodal (OpenAI et al., 2023). Algunos investigadores (Bubeck et al., 2023) interpretaron estas capacidades como señales tempranas, aún incompletas, de algo más general. Otros lo ven como una ampliación de habilidades sin garantías de comprensión profunda. Esto hace que la discusión se mantenga abierta.

Una forma de entenderlo es con una metáfora de “capas”:

  • Capa 1: Automatización. La IA hace tareas repetibles (clasificar, transcribir, resumir).
  • Capa 2: Aumento cognitivo. La IA ayuda a pensar mejor (explorar hipótesis, generar alternativas, simular escenarios).
  • Capa 3: Coordinación social. La IA organiza sistemas (logística, finanzas, educación, medios), influyendo en decisiones masivas.
  • Capa 4: Auto-mejora o aceleración endógena. La IA contribuye a mejorar sus propios componentes (datos, algoritmos, herramientas, diseño), elevando el ritmo del progreso.

La singularidad, tendría mucho que ver con la Capa 4. Y aun sin llegar a ella plenamente, las capas 2 y 3 ya plantean impactos profundos: Productividad, empleo, desigualdad, desinformación, seguridad y gobernanza.

Un ejemplo: El “laboratorio invisible”

Volvamos a Laura. A medida que el semestre avanza, ella delega más: planeación de clases, retroalimentación inicial, y análisis de participación. El sistema aprende su estilo pedagógico y su voz. No la reemplaza; la “amplifica”. Pero al mismo tiempo, la universidad adopta un sistema institucional: analítica predictiva para identificar estudiantes en riesgo, chatbots administrativos, y herramientas de proctoring. Cada módulo “ahorra tiempo” localmente. Sin embargo, el efecto emergente no es solo eficiencia: es una reconfiguración del poder informacional.

Aquí aparece una pregunta crucial: ¿quién controla las metas del sistema? Stuart Russell describe el “problema del control” como el riesgo de construir sistemas que persiguen objetivos definidos de manera rígida o incompleta, generando consecuencias no deseadas (Russell, 2019). En el aula, el objetivo “aumentar retención” podría incentivar prácticas que optimicen números sin mejorar aprendizaje real; en un gobierno, “reducir fraude” podría elevar vigilancia injustificada. El punto es que, cuando una IA participa en decisiones, no solo ejecuta, prioriza.

Si la singularidad es un umbral de aceleración, la ética es el mapa de navegación. Sin un mapa, la velocidad aumenta el riesgo.

Riesgos antes de cualquier “singularidad”

La singularidad suele sonar lejana o especulativa, pero muchos riesgos relevantes ya son presentes. Los marcos contemporáneos de gobernanza se enfocan en: transparencia, robustez, seguridad, impactos sociales y derechos civiles. El AI Risk Management Framework del NIST (National Institute of Standards and Technology), por ejemplo, propone gestionar riesgos de la IA a través de prácticas de gobernanza, mapeo, medición y gestión (NIST, 2023). A nivel internacional, la Recomendación de la OCDE sobre la IA impulsa principios de la IA confiable: respeto a derechos humanos, transparencia, robustez y rendición de cuentas (OECD, 2019). Y en la Unión Europea, el AI Act establece un enfoque basado en riesgo y obligaciones diferenciadas según el nivel de impacto del sistema (Regulation (EU) 2024/1689).

Estos instrumentos no “resuelven” la singularidad, pero cumplen una función: reducir daños mientras la tecnología avanza. Porque incluso sin una IA sobrehumana, sistemas muy capaces ya pueden amplificar desinformación, automatizar decisiones de alto impacto o crear dependencias institucionales difíciles de revertir.

Oportunidades: una singularidad “humana” antes que “de máquina”

La discusión pública a veces se divide entre utopía y distopía. Pero hay una tercera vía más útil: pensar la singularidad como un desafío de diseño socio-técnico. Max Tegmark plantea futuros alternativos en los que la IA puede expandir posibilidades humanas, siempre que se alineen incentivos, instituciones y normas (Tegmark, 2017). Nick Bostrom, desde otra perspectiva, enfatiza que una superinteligencia mal dirigida podría ser existencialmente peligrosa, pero también que la dirección correcta podría traer beneficios enormes (Bostrom, 2014).

 En términos prácticos, las oportunidades más claras, se pueden agrupar así:

  • Ciencia acelerada: Búsqueda de patrones, hipótesis, diseño experimental y síntesis de literatura a gran escala (OpenAI et al., 2023).
  • Educación personalizada: Tutores adaptativos, feedback inmediato, materiales accesibles en múltiples formatos.
  • Salud y bienestar: Apoyo clínico administrativo, triage informativo, y modelos de apoyo a decisiones (con límites y auditoría).
  • Productividad creativa: Diseño, escritura, prototipado y programación asistida que reduce las barreras de entrada.

Aquí, la clave es que el futuro no depende solo de “qué tan inteligente” sea la IA, sino de cómo la integramos. Si la IA se usa para ampliar capacidades humanas con transparencia, supervisión y responsabilidad, puede aumentar el “capital cognitivo” colectivo. En un sentido amplio, eso sería una singularidad humana: no porque la máquina nos trascienda, sino porque la sociedad aprende a pensar y crear con nuevas herramientas.

Conclusión

La singularidad tecnológica no es un destino inevitable ni una fecha en un calendario. Es una hipótesis sobre dinámica histórica: Si la inteligencia artificial se convierte en el motor principal de innovación y optimización, el cambio podría acelerarse hasta volver obsoletas nuestras predicciones. Vinge (1993) la planteó como advertencia; Kurzweil (2005) la defendió como promesa; Good (1966) intuyó el mecanismo de la auto-mejora; Bostrom (2014) y Russell (2019) colocaron el foco en control y riesgos. Hoy, con sistemas demostrando capacidades de amplio espectro, la pregunta deja de ser solo futurista y se vuelve institucional: ¿qué reglas, incentivos y diseños guiarán el uso de IA en áreas críticas?

La mejor postura, es reconocer el potencial transformador real, y negarse a delegar la dirección moral y política del cambio. La singularidad, no será solo un evento técnico, será un examen de coordinación humana.

Referencias

OpenAI, Achiam, J., Adler, S., Agarwal, S., Ahmad, L., Akkaya, I., Aleman, F. L., Almeida, D., Altenschmidt, J., Altman, S., Anadkat, S., Avila, R., Babuschkin, I., Balaji, S., Balcom, V., Baltescu, P., Bao, H., Bavarian, M., Belgum, J., … Zoph, B. (2023). GPT-4 technical report. arXiv. https://arxiv.org/abs/2303.08774  

Bostrom, N. (2014). Superintelligence: Paths, dangers, strategies. Oxford University Press. https://www.researchgate.net/profile/Paul-Thorn-3/publication/285393594_Nick_Bostrom_Superintelligence_Paths_Dangers_Strategies/links/56bcbe0d08ae5e7ba40f4f34/Nick-Bostrom-Superintelligence-Paths-Dangers-Strategies.pdf

Bubeck, S., Chandrasekaran, V., Eldan, R., Gehrke, J., Horvitz, E., Kamar, E., Lee, P., Lee, Y. T., Li, Y., Lundberg, S., Nori, H., Palangi, H., Ribeiro, M. T., & Zhang, Y. (2023). Sparks of artificial general intelligence: Early experiments with GPT-4. arXiv. https://arxiv.org/abs/2303.12712

Good, I. J. (1966). Speculations concerning the first ultraintelligent machine. En F. L. Alt & M. Rubinoff (Eds.), Advances in computers (Vol. 6, pp. 31–88). Academic Press. https://doi.org/10.1016/S0065-2458(08)60418-0

Kurzweil, R. (2005). The singularity is near: When humans transcend biology. Viking.

National Institute of Standards and Technology. (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf  

Organisation for Economic Co-operation and Development. (2019). Recommendation of the Council on Artificial Intelligence (OECD/LEGAL/0449). https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449  

Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union. https://eur-lex.europa.eu/legal-content/EN/HIS/?uri=oj%3AL_202401689   

Russell, S. (2019). Human compatible: Artificial intelligence and the problem of control. Viking.

Tegmark, M. (2017). Life 3.0: Being human in the age of artificial intelligence. Alfred A. Knopf.

Vinge, V. (1993). The coming technological singularity: How to survive in the post-human era. NASA Technical Reports Server. https://ntrs.nasa.gov/citations/19940022856

Interpretación de Tamaños del Efecto: d de Cohen, g de Hedge, y Eta al cuadrado

Cuando realizamos análisis estadísticos de comparación de grupos, es importante saber cuál es el tamaño o magnitud del efecto de las diferencias detectadas. Para esto debemos comprender cómo se interpretan algunos de los tamaños del efecto más comúnes como lo son la d de Cohen, la g de Hedge, y el Eta al cuadrado.

d de Cohen

La d de Cohen es una medida del tamaño del efecto que se utiliza para cuantificar la magnitud de la diferencia entre las medias de dos grupos, expresada en unidades de desviación estándar. A diferencia de la significación estadística (valor p), que se ve fuertemente influenciada por el tamaño de la muestra, la d de Cohen indica la importancia práctica de los resultados y es independiente del tamaño muestral (Cohen, 1988). 

Signo positivo o negativo: El signo de la d de Cohen indica la dirección del efecto, es decir, qué grupo tiene la media más alta. Un valor negativo simplemente indica que la media del grupo experimental es menor que la del grupo de control, mientras que uno positivo indica lo contrario. La magnitud del efecto no se ve afectada por el signo (Cohen, 1988).

Tabla 1
Interpretación Tamaño del Efecto d de Cohen

Tamaño del efectoRango de valoresInterpretación
d de Cohen0.00 a 0.19Efecto muy pequeño o trivial. La diferencia entre las medias de los grupos es insignificante.
 0.20 a 0.49Efecto pequeño. La diferencia entre las medias de los grupos es mínima.
 0.50 a 0.79Efecto mediano. La diferencia es moderada y perceptible a simple vista.
 0.80 o másEfecto grande. La diferencia entre los grupos es significativa y claramente visible.

g de Hedges

La g de Hedges es una medida del tamaño del efecto que, al igual que la d de Cohen, mide la diferencia estandarizada entre dos medias (Hedges & Olkin, 1985). Sin embargo, la g de Hedges es una versión modificada que corrige el sesgo al alza que ocurre en la d de Cohen, especialmente cuando el tamaño de las muestras es pequeño (menor a 20). Por esta razón, la g de Hedges se considera una estimación más precisa del tamaño del efecto poblacional en estudios con muestras pequeñas y es especialmente útil en meta-análisis para comparar efectos de múltiples estudios.

Tabla 2
Interpretación Tamaño del Efecto g de Hedges

Tamaño del efectoRango de valoresInterpretación
g de Hedges0.00 a 0.19Efecto muy pequeño o trivial. La diferencia entre las medias de los grupos es insignificante.
 0.20 a 0.49Efecto pequeño. La diferencia entre las medias de los grupos es mínima.
 0.50 a 0.79Efecto mediano. La diferencia es moderada y perceptible a simple vista.
 0.80 o másEfecto grande. La diferencia entre los grupos es significativa y claramente visible.

Eta al cuadrado

El Eta al cuadrado es una medida del tamaño del efecto que se utiliza en el Análisis de Varianza (ANOVA). A diferencia de la d de Cohen o la g de Hedges, que miden la diferencia estandarizada entre medias, el Eta al cuadrado mide la proporción de la varianza total en la variable dependiente que puede ser explicada por la variable independiente (Iraurgi, 2009; Tomczak & Tomczak, 2014). Su valor oscila entre 0 y 1. 

Limitaciones del Eta al cuadrado 

Es importante considerar algunas limitaciones del Eta al cuadrado al interpretar los resultados: 

  • Sesgo en muestras pequeñas: El Eta al cuadrado tiende a sobreestimar el tamaño del efecto en muestras pequeñas (menores de 20).
  • Número de variables: El valor de Eta al cuadrado se ve influenciado por el número de variables en el modelo.
  • Sesgo en diseños complejos: En modelos más complejos, como el ANOVA de medidas repetidas o el factorial, la suma de los Eta al cuadrado de todos los efectos puede superar el 100%, lo que no es lógicamente posible. Para estos casos, se prefiere utilizar el Eta al cuadrado parcial, que mide la proporción de la varianza asociada a un efecto particular, excluyendo las varianzas de otros factores. 

Eta al cuadrado vs. Eta al cuadrado parcial 

En el ANOVA de un solo factor, el Eta al cuadrado y el Eta al cuadrado parcial tienen el mismo valor. Sin embargo, en el ANOVA factorial, el Eta al cuadrado parcial se considera una medida más precisa para evaluar la contribución de cada factor individualmente. La interpretación en los rangos de valores para ambos es la misma.

Tabla 3
Interpretación Tamaño del Efecto Eta al Cuadrado

Tamaño del efectoRango de valoresInterpretación
Eta al cuadrado< 0.01Efecto muy pequeño o trivial. La variable independiente explica menos del 1% de la varianza total en la variable dependiente.
 0.01 a 0.05Efecto pequeño. La variable independiente explica entre el 1% al 5% de la varianza total en la variable dependiente.
 0.06 a 0.13Efecto mediano. La variable independiente explica entre el 6% al 13% de la varianza total en la variable dependiente.
 0.14 o másEfecto grande. La variable independiente explica 14% o más de la varianza total en la variable dependiente.

Referencias

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.) Lawrence Erlbaum.

Hedges, L. V., & Olkin, I. (1985). Statistical methods for meta-analysis. Academic Press.

Iraurgi, I. (2009). Evaluación de resultados clínicos (II): Las medidas de la significación clínica o los tamaños del efecto. Norte de Salud Mental, 34(1), 94-110.

Tomczak, M., & Tomczak, E. (2014). The need to report effect size estimates revisited: An overview of some recommended measures of effect size. Trends in Sport Sciences, 1(21), 19-25.

8 Aspectos Esenciales para la Vida

Hay días en que la vida va tan rápido que siento que me perdí de mí mismo. Como si estuviera en piloto automático cumpliendo con todo, pero olvidando lo más importante: vivir con conciencia.

En medio del ruido, del “tengo que” y del “no me da tiempo”, he descubierto que la vida es más sencilla cuando volvemos a lo esencial. No lo que brilla, no lo que impresiona, sino lo que calma el alma.

Hoy quiero compartirte 8 aspectos que, para mí, han comenzado a definir una vida más plena, más liviana, más real. Estos aspectos no los he inventado yo, sino que han sido expresados ampliamente por muchas personas a lo largo de la historia de la humanidad, pero que muy pocas veces le hacemos caso hasta que logramos cierto nivel de madurez en nuestra vida.

1. Habla lentamente

No todo necesita ser dicho con prisa. Hablar despacio no es lentitud, es respeto por tus palabras, por el otro, y por ti. A veces, cuando hablo con pausa, encuentro que lo que iba a decir… ya no necesito decirlo.

2. Observa más

El mundo está lleno de detalles que curan: la sonrisa tímida de alguien, el sonido de la lluvia en el techo, el suspiro que das cuando te detienes un momento. Observar más es vivir más.

3. Habla menos

Cuántas veces he llenado el silencio por miedo al juicio o a la incomodidad. Pero el silencio no es vacío; es espacio. Hablar menos me ha enseñado a escuchar lo que antes ignoraba, incluso dentro de mí.

4. Prioriza tu salud siempre

No somos eternos. El cuerpo que tanto ignoramos es el que sostiene nuestros sueños. Comer mejor, dormir, moverme… no es vanidad, es amor propio. Y no se negocia.

5. Sigue aprendiendo

Cada vez que aprendo algo nuevo siento que me reencuentro conmigo. Leer, preguntar, equivocarme… es la manera más honesta de crecer. Porque quien deja de aprender, empieza a apagarse por dentro.

6. Controla tu ego, tu urgencia y tu ira

Estas tres cosas me han robado momentos hermosos. El ego me alejó de personas, la urgencia me hizo cometer errores, y la ira… me hizo decir cosas que realmente no sentía. Cuando las contengo, me reencuentro con la versión de mí que sí quiero ser.

7. Sonríe más y preocúpate menos

Las preocupaciones no han evitado que lo malo ocurra, solo me han robado paz. Sonreír no es ignorar los problemas, es decidir que no los cargaré todo el día.

8. Prioriza tu familia

Al final, lo que más duele no es lo que no compramos, sino el tiempo que no dimos. La familia no siempre es perfecta, pero es la raíz. Y si las raíces se cuidan, todo lo demás florece.

No sé tú, pero yo no quiero que mi vida se pase corriendo detrás de cosas que no llenan. Prefiero caminar lento, con propósito, y cuidar lo esencial. Porque al final del día… lo simple es lo más real. Y lo esencial, aunque invisible, es lo que sostiene todo.

Qué es la Ansiedad Futura y Cómo Manejarla

Son las 6:00am, Sofía abre los ojos y, antes de levantarse, ya siente una opresión en el pecho. Su mente se inunda de pensamientos sobre el futuro: ¿Qué pasará si pierdo mi trabajo? ¿Y si no puedo pagar las deudas? ¿Y si algo malo le ocurre a mi familia? Estas ideas la dejan paralizada por unos minutos, sintiendo que su día ya comenzó con una carga pesada.

La ansiedad futura es una forma de ansiedad que se caracteriza por una preocupación excesiva, persistente y negativa sobre eventos futuros, a pesar de no haber evidencia clara de que esos eventos ocurrirán (Grupe & Nitschke, 2013). A diferencia de la ansiedad general, que puede estar relacionada con amenazas inmediatas o situaciones específicas, la ansiedad futura se centra en la percepción de que el futuro es incierto, incontrolable y potencialmente peligroso para la persona o su entorno (MacLeod et al., 1991). Según Zaleski (1996), la preocupación por el futuro puede tener un impacto significativo en la regulación emocional y en la toma de decisiones a largo plazo.

Este tipo de ansiedad implica un proceso cognitivo en el que los pensamientos negativos sobre el porvenir predominan sobre los positivos. Esto puede hacer que una persona anticipe en sus pensamientos eventos catastróficos y puede generar sentimientos de desesperanza, así como una reducción en la capacidad de afrontar el futuro de manera efectiva (Hirsch et al., 2013).

Las personas que experimentan ansiedad futura pueden presentar una preocupación excesiva sobre lo que pueda ocurrir en el futuro, dificultad para visualizar escenarios positivos o esperanzadores, falta de control sobre los eventos futuros, tendencia a evitar la planificación o la toma de decisiones a largo plazo, aumento de estrés, y pensamientos persistentes sobre posibles problemas (Davey & Wells, 2006).

Esto puede agotar a las personas si no se maneja adecuadamente, pero existen estrategias basadas en evidencia científica que pueden ayudar a reducir la ansiedad y mejorar la percepción del futuro. La práctica de mindfulness o atención plena puede ayudar a reducir la ansiedad al buscar enfocarse en el momento presente y reducir los pensamientos recurrentes sobre el futuro (Kabat-Zinn, 2003). La planificación activa también es una técnica útil para el manejo de la ansiedad futura. Para aplicarla, se puede crear una lista en donde se dividen las preocupaciones en dos categorías: las cosas que puedes controlar y las cosas que no puedes controlar. Luego, debemos buscar enfocarnos en acciones concretas para lo que sí podemos manejar y establecer metas realistas y pequeños pasos para lograr los objetivos futuros (Roepke & Seligman, 2016).

Los cambios en el estilo de vida también ayudan mucho. Cosas como hacer actividad física regularmente, dormir mejor, tener una alimentación saludable, y alejarnos de fuentes que aumenten nuestra ansiedad futura, como las redes sociales, pueden marcar una diferencia (Holmes et al., 2014). Es difícil despegarse de las redes sociales, pero podemos modificar las noticias e información que nos presenta su algoritmo comenzando a realizar búsquedas repetidas de forma intencional de cosas que consideremos positivas y que nos llenen de alegría y paz. De esa forma, las noticias que recibimos en las redes sociales comenzarán a modificarse por nuestros nuevos intereses.

Si sientes que tienes problemas que se puedan relacionar con la ansiedad futura o cualquier otro tipo de ansiedad, recuerda buscar ayuda con profesionales de la salud mental.

Referencias

  • Davey, G. C., & Wells, A. (2006). Worry and its psychological disorders: Theory, assessment and treatment. Wiley.
  • Grupe, D. W., & Nitschke, J. B. (2013). Uncertainty and anticipation in anxiety: an integrated neurobiological and psychological perspective. Nature Reviews Neuroscience, 14(7), 488-501. https://doi.org/10.1038/nrn3524
  • Hirsch, C. R., Mathews, A., Lequertier, B., Perman, G., & Hayes, S. (2013). Characteristics of Worry in Generalized Anxiety Disorder. Journal of Behavior Therapy and Experimental Psychiatry, 44, 388-395.
    https://doi.org/10.1016/j.jbtep.2013.03.004
  • Holmes, E. A., Craske, M. G., & Graybiel, A. M. (2014). Psychological treatments: A call for mental-health science. Nature, 511(7509), 287-289.
  • Kabat-Zinn, J. (2003). Mindfulness-based interventions in context: Past, present, and future. Clinical Psychology: Science and Practice, 10(2), 144-156. https://doi.org/10.1093/clipsy.bpg016
  • MacLeod, C., Williams, J. M. G., & Bekerian, D. A. (1991). Worry is reasonable: The role of explanations in pessimism about future personal events. Journal of Abnormal Psychology, 100(4), 478-486. https://doi.org/10.1037//0021-843x.100.4.478
  • Roepke, A. M., & Seligman, M. E. P. (2016). Depression and prospection. British Journal of Clinical Psychology, 55(1), 23-48. https://doi.org/10.1111/bjc.12087
  • Zaleski, Z. (1996). Future anxiety: Concept, measurement, and preliminary research. Personality and Individual Differences, 21(2), 165-174. https://doi.org/10.1016/0191-8869(96)00070-0